Telescope Innovations: Physical AI 加速製藥化學研發

當大多數 AI 新聞還在聚焦大語言模型或影象生成時，一群化學家和工程師正在實驗室裡用另一種 AI 改變遊戲規則——Physical AI。Telescope Innovations，這家從 SkyDeck 加速器走出來的初創公司，最近在大藥企內部獲得了實實在在的 traction。

Physical AI 是什麼？

簡單說，它不是生成文字或圖片，而是直接操作物理世界。Telescope 把 AI 模型接入了自動化實驗平臺——機械臂、注射泵、光譜儀——讓 AI 自己設計實驗、執行操作、讀取結果、再迭代優化。傳統化學家一天可能做 3 到 5 個反應，而 Physical AI 系統能輕鬆跑到幾十上百個，而且 24 小時不間斷。

為什麼大藥企開始買單？

藥物研發的早期階段——先導化合物優化——極度依賴經驗與試錯。一個藥物化學家往往需要反覆調整分子結構，測試活性與選擇性。Telescope 的聯合創始人兼 CEO 在採訪中提到，他們的平臺能讓 從分子設計到初步驗證的週期縮短 60% 以上。對於像輝瑞、諾華這樣的巨頭，這意味著每年數億美元的潛在節省。

「我們不是在取代化學家，而是讓他們從重複勞動中解放出來，專注在真正需要創造力的地方。」 —— Telescope Innovations 團隊

實際落地場景

目前 Telescope 主要聚焦在兩類場景：

• 反應條件篩選：當需要測試不同催化劑、溶劑、溫度的組合時，AI 自動設計實驗矩陣，並控制裝置依次執行，同時用線上分析儀器實時監控產物。
• 工藝放大模擬：在從毫克級到公斤級放大的過程中，AI 通過模擬與實驗反饋，幫助工程師找到最優引數，避免傳統放大中常見的「踩坑」。

已有兩家未公開名稱的 top 20 藥企在內部部署了 pilot 專案，將 Telescope 系統用於某類激酶抑制劑的候選分子篩選。初步資料顯示，在相同的兩週時間內，AI 驅動的工作流覆蓋的化學空間是純人工團隊的 4 倍。

這不是唯一的玩家，但方向是對的

當然，這個賽道並不空白。像 DeepMatter 和 Synthace 也在做類似的事情。但 Telescope 的差異化在於：他們把 AI 模型直接嵌入了實驗室資訊管理系統（LIMS），而不是作為一個獨立工具。這意味著化學家不需要改變自己的工作習慣，系統會自動學習和建議。

不過，挑戰也很明顯。硬體整合仍然是個麻煩——不同品牌的裝置介面不統一，資料標準缺失。Telescope 目前只支援特定幾家供應商的自動化平臺，拓展性還有限。另外，AI 模型對低資料量的反應型別預測準確率還有待提升，部分小眾化學反應型別可能需要人工干預。

如何看待這則新聞？

對於製藥行業的從業者來說，這是一個明確的訊號：AI 在實驗室裡的滲透正在從「輔助計算」走向「物理執行」。雖然 Telescope 目前還處在早期商業驗證階段，但其獲得的大廠關注說明 Physical AI 的價值已經被認可。

如果你的團隊正在考慮引入實驗自動化，可以關注以下幾點：

• 從標準化程度高的反應入手：比如交叉偶聯、醯胺化等常見反應，Physical AI 的收益最明顯。
• 評估 IT 與 OT 的融合難度：確保實驗室的裝置能與資料平臺打通，否則 AI 只能「紙上談兵」。
• 不要忽略人的培訓：化學家需要理解 AI 的侷限性，才能合理分配任務。

Telescope Innovations 的故事還在繼續。也許再過一兩年，我們會看到更多實驗室裡「機械臂 + AI」的組合成為標配。那時的藥物研發速度，可能會快得超乎想象。